人类获取的信息大多数来源于图像媒体,图像已成为人类生活中信息交流最为重要的载体,也是蕴含信息量最大的媒体。信息数字化处理也成为了信息社会的一个重要标志。但是图像信息数字化给电子信息技术领域带来了的最大的难题就是海量数据的存储和传输问题。因此,数据压缩技术,尤其是数字图像的数据压缩技术就成为了解决问题的关键。数字图像压缩就是通过减少图像的冗余数据以达到图像压缩的目的,从而充分利用人眼的视觉特性和图像的统计特性来减小图像信息的冗余度,在保证图像质量的条件下实现图像压缩。由于上述原因,多种数字图像压缩技术应运而生。其中,基于人工神经网络的数字图像压缩技术也成为一个研究热点。人工神经网络领域研究的背景工作始于19世纪末和20世纪初。它源于物理学、心理学和神经生理学的跨学科研究,人工神经网络(Artificial Neural Network,ANN),就是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论。它的网络结构是多种多样的,按照网络的拓扑结构一般可分为两种:前馈网络和反馈网络。其中前馈网络主要有BP网络, MADLINE网络、多层感知机网络(MLPN)、径向基函数网络(RBFN)等;而反馈网络通常包括Hopfield网络、Boltamann机、ART网络等。其中用于数字图像压缩的神经网络一般有:基于误差反传的多层感知器——BP神经网络,自组织特征映射网络——SOMF网,以及对向传播神经网络——CPN网等。本文我们主要以基于误差反传的多层感知器——BP神经网络、自组织特征映射网络——SOMF网以及对向传播神经网络——CPN网在数字图像处理压缩技术中应用为例,来介绍基于人工神经网络的数字图像压缩的实验方法和效果。通过图像数据预处理、网络建立和训练、仿真、图像重建等几个步骤对图像进行压缩处理,然后利用输入与重建图像的信噪比和峰值信噪比两个性能函数来评定图像压缩的质量,当信噪比和峰值信噪比越大时,表明图像压缩质量越好。通过实验可以看出人工神经网络虽然只是人脑的简单模拟与抽象,但具有很多与人脑相似的信息处理能力,因此也具有较强的数据压缩能力。另外,神经网络也将促进图像编码向智能化和知识化的转化。而且神经网络较强的容错能力和联想记忆功能,有助于对噪声图像的数据及对压缩后信息不完全图像的恢复,在数字图像处理方面有更多的优势。